Malá, organizovaná síť umělých synapsí si pamatuje jejich zkušenosti a může vyřešit jednoduché problémy. Jeho tvůrci doufají, že jednoho dne na základě tohoto umělého mozku budou vytvořena zařízení, která ve své energetické účinnosti nebudou nižší než výpočetní výkon mozku. Obecně jsou mozky, pokud vynecháme jejich úspěchy v myšlení a řešení problémů, perfektní ve své energetické účinnosti. Mozek potřebuje stejné množství energie, aby fungoval jako 20 wattová žárovka absorbuje. A jeden z nejsilnějších a nejrychlejších superpočítačů na světě, Computer K v Kobe, Japonsko, využívá až 9,89 megawattů energie - přibližně stejně jako 10 000 domácností. Ale v roce 2013, dokonce s touto energií, trvalo stroju 40 minut na simulaci 1% aktivity lidského mozku za 1 sekundu.
A tak výzkumní inženýři z institutu NanoSystems v Kalifornii na University of California v Los Angeles doufají, že budou soutěžit s výpočetními a energeticky účinnými schopnostmi mozku, a to díky systémům, které odrážejí strukturu mozku. Vytvářejí zařízení, možná první svého druhu, které je „inspirováno mozkem k vytváření vlastností, které mozku umožňují dělat to, co dělá,“říká Adam Stig, výzkumný pracovník a docent v ústavu, který vede projekt s Jimem Gimrzewským, profesorem chemie na Kalifornské univerzitě. V Los Angeles.
Jejich design není vůbec jako běžné počítače, které jsou založeny na malých vodičích natištěných na křemíkových mikroobvodech ve vysoce uspořádaných obvodech. Aktuální experimentální verze je mřížka stříbra nanočástic 2 x 2 mm propojená umělými synapsemi. Na rozdíl od křemíkových obvodů s geometrickou přesností je toto zařízení tkané jako „dobře smíchaná špagetová miska,“říká Stig. Navíc je její jemná struktura organizována z náhodných chemických a elektrických procesů a není pečlivě navržena.
Ve své složitosti se tento stříbrný web podobá mozku. Existuje miliarda umělých synapsí na čtvereční centimetr mřížky, což je několik řádů, které se liší od skutečného mozku. Elektrická aktivita sítě také vykazuje vlastnost jedinečnou pro komplexní systémy, jako je mozek: „kritičnost“, stav mezi řádem a chaosem, který ukazuje maximální účinnost.
Tato síť vysoce propletených nanočástic může vypadat chaoticky a náhodně, ale její struktura a chování se podobají neuronům v mozku. Vědci v NanoSystems jej vyvíjejí jako mozkové zařízení pro učení a výpočetní techniku.
Kromě toho předběžné experimenty ukazují, že tato neuromorfní (tj. Mozkovitá) stříbrná drátěná síťovina má velký funkční potenciál. Už může provádět jednoduché vzdělávací a logické operace. Z přijímaného signálu může odstranit nežádoucí šum, důležitou schopnost rozpoznávání hlasu a podobné úkoly, které způsobují problémy v tradičních počítačích. A jeho existence dokazuje princip, že jednoho dne bude možné vytvořit zařízení s energetickou účinností blízkou mozku.
Tyto výhody jsou obzvláště zvědavé na pozadí blížícího se limitu miniaturizace a účinnosti křemíkových mikroprocesorů. „Mooreův zákon je mrtvý, polovodiče se už nemohou zmenšovat a lidé začínají kvílet o tom, co dělat,“říká Alex Nugent, generální ředitel Knowm, neuromorfní výpočetní společnost, která není zapojena do projektu UCLA. "Líbí se mi tento nápad, tento směr." Konvenční výpočetní platformy jsou miliardkrát méně účinné. “
Propagační video:
Přepínače jako synapse
Když Gimrzewski začal pracovat na svém projektu stříbrné mřížky před 10 lety, neměl vůbec zájem o energetickou účinnost. Nudil se. Poté, co pomocí skenovacího tunelového mikroskopu studoval elektroniku na atomové stupnici po dobu 20 let, konečně řekl: „Jsem unavený z dokonalosti a přesné kontroly a trochu unavený z redukcionismu.“
Je třeba předpokládat, že redukcionismus je základem všech moderních mikroprocesorů, kdy lze složité jevy a obvody vysvětlit pomocí jednoduchých jevů a prvků.
V roce 2007 byl požádán, aby studoval jednotlivé atomové spínače (nebo spínače) vyvinuté skupinou Masakazu Aono Mezinárodního centra pro materiály o nanoarchitektonice v japonském Tsukubě. Tyto spínače obsahovaly stejnou složku, která změní barvu stříbrné lžíce na černou, když se dotkne vejce: sirník železa vložený mezi tvrdé kovové stříbro.
Přivedení napětí na zařízení tlačí kladně nabité ionty stříbra v sulfidu stříbra směrem ke vrstvě katody stříbra, kde jsou redukovány na kovové stříbro. Atomová stříbrná vlákna rostou a nakonec uzavírají mezeru mezi kovovými stříbrnými stranami. Spínač je zapnutý a proud může protékat. Obrácení proudu má opačný účinek: stříbrné můstky jsou zkráceny a spínač je vypnutý.
Krátce po vývoji spínače však Aonova skupina začala pozorovat neobvyklé chování. Čím častěji byl spínač používán, tím snazší bylo zapnutí. Pokud nebyla delší dobu používána, postupně se sama vypínala. Přepínač si v podstatě pamatoval svou historii. Aono a jeho kolegové také zjistili, že se zdálo, že spínače vzájemně spolupracují, takže zapnutí jednoho spínače někdy zablokuje nebo vypne ostatní v okolí.
Většina ve skupině Aono chtěla postavit tyto podivné vlastnosti mimo výhybky. Ale Gimrzewski a Stig (kteří právě dokončili PhD ve skupině Gimrzewski) si vzpomněli na synapse, přepínání mezi nervovými buňkami v lidském mozku, které také mění vztahy se zkušeností a interakcí. A tak se ten nápad zrodil. "Přemýšleli jsme, proč to nezkusit převést na strukturu podobající se mozkové kůře savců a studovat ji?" Říká Stig.
Vybudování tak složité struktury bylo rozhodně obtížné, ale Stig a Odrius Avicenis, kteří se právě připojili ke skupině jako postgraduální student, vypracovali protokol. Nalitím dusičnanu stříbrného na malé měděné koule mohly způsobit mikroskopicky tenké protínající se stříbrné dráty. Pak mohli čerpat plynný síra skrz tuto mřížku a vytvořit vrstvu stříbřitého sulfidu mezi stříbrnými dráty, jako v atomovém spínači původního týmu Aono.
Sebeorganizovaná kritičnost
Když Gimzewski a Stig řekli ostatním o jejich projektu, nikdo nevěřil, že to bude fungovat. Někteří říkali, že zařízení bude ukazovat jeden typ statické aktivity a usadit se na něm, vzpomněl si Stig. Jiní navrhli opak: „Říkali, že přepínač by se kaskádoval a celá struktura by se spálila,“říká Gimzewski.
Ale zařízení se neroztavilo. Naproti tomu, když ho Gimzewski a Stig sledovali pomocí infračervené kamery, vstupní proud pokračoval ve změně cest, kterými prošel zařízením - což dokazuje, že aktivita na síti nebyla lokalizována, ale spíše distribuována, jako v mozku.
Jednoho podzimního dne v roce 2010, kdy Avicenis a jeho kolega Henry Sillin zvyšovali vstupní napětí do zařízení, si náhle všimli, že výstupní napětí začalo náhodně vibrovat, jako by drátěné pletivo ožilo. "Posadili jsme se a podívali se na to, byli jsme šokováni," říká Sillin.
Hádali, že našli něco zajímavého. Když Avicenis analyzoval monitorovací data po dobu několika dnů, zjistil, že síť zůstala na stejné úrovni aktivity po krátkou dobu častěji než po dlouhou dobu. Později zjistili, že malé oblasti činnosti byly častější než ty velké.
"Moje čelist klesla," říká Avicenis, protože je to poprvé, co se od svého zařízení naučili zákon moci. Zákony moci popisují matematické vztahy, ve kterých se jedna proměnná mění jako síla druhé. Vztahují se na systémy, ve kterých jsou větší měřítka, delší události méně běžné než menší a kratší, ale jsou rozšířené a ne náhodou. Per Bac, dánský fyzik, který zemřel v roce 2002, nejprve navrhl mocenské zákony jako charakteristický znak všech druhů komplexních dynamických systémů, které se mohou organizovat na velkém měřítku a na velké vzdálenosti. Toto chování, řekl, naznačuje, že komplexní systém vyvažuje a funguje na zlatém průměru mezi řádem a chaosem, ve stavu „kritičnosti“a všechny jeho části interagují a propojují se pro maximální účinnost.
Jak předpověděl Buck, v lidském mozku bylo pozorováno mocenské chování: v roce 2003 Dietmar Plenz, neurofyziolog Národního ústavu zdraví, pozoroval, že skupiny nervových buněk aktivovaly ostatní, což zase aktivovalo ostatní, často spouštějící systémové kaskády aktivací. Plenz zjistil, že velikosti těchto kaskád sledují distribuci podle mocenského zákona a mozek jednal takovým způsobem, aby maximalizoval šíření aktivity, aniž by riskoval ztrátu kontroly nad jeho šířením.
Skutečnost, že zařízení University of California také prokázalo výkonový zákon v akci, je velmi důležitá, říká Plentz. Protože z toho vyplývá, že stejně jako v mozku má křehkou rovnováhu mezi aktivací a inhibicí, což udržuje součet jeho částí funkční. Aktivita potlačuje množinu, ale nezastavuje se ani.
Později Gimzewski a Stig našli další podobnost mezi stříbrnou sítí a mozkem: Stejně jako spící lidský mozek vykazuje méně krátkých kaskád aktivace než probuzený mozek, krátký stav aktivace ve stříbrné síti se stává méně běžným při nižších vstupních energiích. Nějakým způsobem, snížení spotřeby energie zařízení může vytvořit stav připomínající spící stav lidského mozku.
Učení a výpočetní technika
A zde je otázka: Pokud má síť stříbrných drátů vlastnosti podobné mozku, může to vyřešit výpočetní problémy? Předběžné experimenty ukázaly, že odpověď je ano, ačkoli zařízení samozřejmě není ani vzdáleně srovnatelné s běžným počítačem.
Nejprve neexistuje žádný software. Místo toho vědci využívají skutečnost, že síť může rušit příchozí signál různými způsoby, v závislosti na tom, kde se výstup měří. To nabízí možné využití pro rozpoznávání hlasu nebo obrazu, protože zařízení musí být schopno vyčistit hlučné vstupní signály.
Z toho také vyplývá, že zařízení lze použít pro tzv. Výpočty nádrže. Protože jediný vstup může v zásadě generovat mnoho milionů milionů výstupů (tedy rezervoár), uživatelé si mohou vybrat nebo kombinovat výstupy, takže výsledkem je požadovaný výpočet vstupu. Pokud například stimulujete zařízení na dvou různých místech současně, existuje šance, že jeden z milionů různých výstupů bude představovat součet těchto dvou vstupů.
Úkolem je najít správné závěry a dekódovat je a zjistit, jak nejlépe kódovat informace, aby jim síť mohla porozumět. To lze provést vyškolením zařízení: spuštěním úlohy stokrát nebo tisíckrát, nejprve s jedním typem vstupu, poté s jiným a porovnáním, který výstup se s touto úlohou lépe vyrovná. "Nenaprogramujeme zařízení, ale zvolíme nejlepší způsob, jak kódovat informace tak, aby chování sítě bylo užitečné a zajímavé," říká Gimrzewski.
V práci, která bude brzy zveřejněna, vědci vysvětlí, jak vyškolili síť vodičů k provádění jednoduchých logických operací. A v nepublikovaných experimentech školili síť k řešení jednoduchého problému s pamětí, který se obvykle dává potkanům (T-bludiště). V testu T-bludiště je krysa odměněna, pokud v reakci na světlo udělá správný tah. S jeho vlastní verzí pro školení, síť může udělat správnou volbu 94% času.
Dosud byly tyto výsledky jen o něco víc než jen důkaz principu, říká Nugent. "Malá krysa, která se rozhoduje v T-bludišti, se nikdy nepřibližuje něčemu ve strojovém učení, které dokáže vyhodnotit její systémy," říká na tradičním počítači. Pochybuje, že v příštích několika letech bude možné z tohoto zařízení udělat užitečný čip.
Ale potenciál je obrovský, zdůrazňuje. Protože síť, stejně jako mozek, neodděluje zpracování a paměť. Tradiční počítače potřebují přenášet informace mezi různými doménami, které zpracovávají tyto dvě funkce. "Celá tato zvláštní komunikace se hromadí, protože dráty potřebují energii," říká Nugent. Při použití tradičních počítačů byste museli vypnout sílu ve Francii, abyste mohli simulovat úplný lidský mozek při slušném rozlišení. Pokud zařízení, jako je Silver Network, mohou vyřešit problémy s účinností algoritmů strojového učení běžících na tradičních počítačích, mohou spotřebovat miliardkrát méně energie. A pak je záležitost malá.
Zjištění vědců také podporují názor, že za správných okolností mohou inteligentní systémy tvořit samoorganizace bez jakékoli šablony nebo procesu jejich vývoje. Silver Network „se spontánně objevila,“říká Todd Hilton, bývalý manažer DARPA, který projekt brzy podpořil.
Gimrzewski věří, že síť stříbrných drátů nebo podobných zařízení může být při předpovídání složitých procesů lepší než tradiční počítače. Tradiční počítače modelují svět pomocí rovnic, které často popisují složité jevy jen přibližně. Neuromorfní sítě s atomovým přepínačem přizpůsobují svou vlastní vnitřní strukturální složitost s jevem, který simulují. A dělají to také rychle - stav sítě může kolísat rychlostí až desítek tisíc změn za sekundu. "K porozumění komplexním jevům používáme komplexní systém," říká Gimrzewski.
Začátkem tohoto roku na setkání Americké chemické společnosti v San Franciscu představili Gimzewski, Stig a jejich kolegové výsledky experimentu, ve kterém zařízení napájeli první tři roky šestiletého datového souboru v Los Angeles ve formě řady impulsů s uvedením počtu projíždějící auta za hodinu. Po stovkách hodin školení výstup nakonec předpověděl statistický trend druhé poloviny datového souboru, a docela dobře, i když to nebylo ukázáno zařízení.
Možná jednoho dne, vtipy Gimrzewski, používá síť k předpovídání akciového trhu.
Ilya Khel